看到网上一篇很有意思的文章说爬虫与反爬虫就是套路与反套路,初学爬虫,好像确实有这么点体会。因个人工作需要,想从网上爬一些美女图片当配图,于是搜到了煎蛋网。最早煎蛋网url采用页数命名,类似于http://jandan.net/ooxx/page-9#comments,能够直接进行推测,后来改成了某种规则生成的随机码,类似于http://jandan.net/ooxx/MjAyMDA0MjAtMTky#comments,初学爬虫套路不深的我对此束手无措,虽然通过大量观察摸索到了随机码的一点规律,但是并不能保证爬完整个网站。
从网上百度果然找到了更好的思路,简直妙哉。煎蛋网每一页都有【下一页】按钮,知道第一页的url,提取出下一页的url,如此递归下去,不就能爬取全站了吗。真是被自己蠢到了。代码如下,改自某热心网友,抱歉没保存原博文链接,就不引用了,类似的思路有好几篇。
import requests
import os
from bs4 import BeautifulSoup
def get_soup(url):
r = requests.get(url, headers=headers)
return BeautifulSoup(r.text, "lxml")
def download_this_page(soup):
global img_id
for link in soup.find_all('a', {'class': 'view_img_link'}):
img_url = link.get('href')
with open('{}{}.jpg'.format(download_dir, img_id), 'wb') as f:
f.write(requests.get('http:' + img_url).content)
print(img_id)
img_id += 1
if __name__ == '__main__':
download_dir = 'D:\\jandan\\'
if not os.path.exists(download_dir):
os.mkdir(download_dir)
img_id = 1 # 使用数字为下载图片命名
max_page = 150 # 指定爬取页数
url = 'http://jandan.net/ooxx/'
headers = {
'referer': 'http://jandan.net/',
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.142 Safari/537.36'
}
for i in range(max_page):
soup = get_soup(url)
download_this_page(soup)
#获取下一页的url
url = 'http:' + soup.find('a', {'class': 'previous-comment-page'}).get('href')
不能提前获取某一页的url,就意味着不能用多线程对不同页并行处理了,但仍然可以把获取到的图片url先保存在队列中,然后采用多线程下载